筌者所以在鱼，得鱼而忘筌；蹄者所以在兔，得兔而忘蹄；言者所以在意，得意而忘言。 — 《庄子·外物》
UnType 是一个开源的 AI 语音输入工具（Windows）。它不只是转录——它会思考。一个快捷键，两种超能力：
-
说话即输入 — 语音经 STT 转录后，LLM 自动润色：去除语气词、"嗯"、"那个"、修正标点、纠正识别错误。到达光标的是润色后的成稿。
-
选中即润色 — 选中已有文字，说出修改指令（"缩短一些"、"翻译成英文"、"改成更正式的语气"），LLM 帮你改写。
大多数语音输入工具只给你原始转录——充满"嗯"、"那个"、标点错误和识别偏差。你最终花在修正上的时间，比省下的打字时间还多。
UnType = STT + LLM。 语音先转录，再由 LLM 润色为干净、规范的文本——开口即终稿。需要编辑已有文字时，选中它，说话就行。
内置 8 种人格面具（Persona Masks），为不同场景预设语气：
| 人格 | 场景 | 效果 |
|---|---|---|
| ✨ 默认 | 日常写作 | 简洁自然，去除口语 |
| 👔 对领导 | 职场沟通 | 正式、得体 |
| 🤝 对同事 | 团队交流 | 友好但专业 |
| 📋 子弹点 | 列表整理 | 自动分点 |
| 🌐 英译 | 中译英 | 中文语音 → 英文输出 |
| 🗣️ 大白话 | 简化表达 | 把复杂说简单 |
| 🙅 婉拒 | 拒绝请求 | 礼貌地拒绝 |
| 🌙 诗意 | 文学创作 | 华丽修辞 |
录音时按数字键（1-9）即可切换，选择会自动记住。在人格管理中可自行增删改，也可以停用不需要的人格（录音时将不再显示）。
不想安装 Python？去 Releases 页面下载 .exe 文件，双击运行即可。
| 版本 | 大小 | 说明 |
|---|---|---|
| 完整版 | ~275MB | 包含所有功能，支持本地 Whisper 模型 |
| 在线版 | ~90MB | 仅 API 模式，体积更小，适合只需在线服务的用户 |
💡 提示：在线版不支持本地 STT 模型，其他功能完全相同。如果你不需要离线语音识别，推荐下载在线版。
git clone https://github.com/jlmaoju/UnType.git
cd untype
uv sync
uv run untype- 首次运行会自动弹出设置向导，按提示配置 API
- 在任意输入框中点击，按 F6 开始说话
- 再按 F6 结束，润色好的文字自动出现
提示：支持阿里云、通义千问、DeepSeek 等多种 OpenAI 兼容服务。
- Windows 10/11
- Python 3.11+
- uv（推荐的包管理器）
- 可用的麦克风
- OpenAI 兼容的 STT API 密钥（在线模式），或 GPU（本地 Whisper 推理）
- OpenAI 兼容的 LLM API 密钥（用于文本润色；可选但推荐）
设置存储在 ~/.untype/config.toml（首次启动时创建）：
| 区段 | 键 | 默认值 | 说明 |
|---|---|---|---|
hotkey |
trigger |
f6 |
按键说话快捷键 |
hotkey |
mode |
toggle |
toggle（按一下开始/结束）或 hold（按住说话） |
audio |
sample_rate |
16000 |
录音采样率（Hz） |
audio |
device |
"" |
音频设备（空字符串 = 系统默认） |
audio |
gain_boost |
1.5 |
低音量语音增益倍数 |
stt |
backend |
realtime_api |
realtime_api（阿里云）、api 或 local |
stt |
api_base_url |
"" |
在线 STT API 端点（OpenAI 兼容） |
stt |
api_key |
"" |
在线 STT API 密钥 |
stt |
api_model |
gpt-4o-transcribe |
在线 STT 模型名称 |
stt |
model_size |
small |
本地 Whisper 模型大小（small/medium/large-v3） |
stt |
device |
auto |
本地推理设备（auto/cuda/cpu） |
stt |
compute_type |
auto |
本地推理计算精度（auto/float16/int8/int8_float16） |
stt |
beam_size |
5 |
Beam search 大小（本地模式） |
stt |
vad_filter |
true |
是否启用 VAD 过滤（本地模式） |
stt |
vad_threshold |
0.3 |
VAD 灵敏度，越低越灵敏（本地模式） |
stt |
language |
zh |
转录语言代码 |
stt |
realtime_api_key |
"" |
阿里云实时 API 密钥 |
stt |
realtime_api_model |
paraformer-realtime-v2 |
阿里云实时模型名称 |
stt |
realtime_api_format |
pcm |
实时 API 音频格式 |
stt |
realtime_api_sample_rate |
16000 |
实时 API 采样率 |
llm |
base_url |
"" |
LLM API 端点（OpenAI 兼容） |
llm |
api_key |
"" |
LLM API 密钥 |
llm |
model |
"" |
LLM 模型名称 |
llm |
temperature |
0.3 |
LLM 采样温度 |
llm |
max_tokens |
2048 |
LLM 最大输出 token 数 |
language |
language |
zh |
界面语言（zh/en） |
overlay |
capsule_position_mode |
"fixed" |
胶囊位置模式："fixed"（可拖动）或 "caret"（跟随光标） |
overlay |
capsule_fixed_x |
null |
固定模式下的 X 位置（null = 自动居中） |
overlay |
capsule_fixed_y |
null |
固定模式下的 Y 位置（null = 自动底部） |
在线 API（默认）
- 使用 OpenAI 兼容的
/audio/transcriptions接口 - 支持任意中转服务
- 录音结束后一次性返回结果
本地模型
- 使用 faster-whisper 本地推理
- 需要显卡支持（CUDA）
- 隐私性好，无需联网
阿里云实时 API（推荐）
- 使用阿里云 DashScope 实时语音识别
- 采用 WebSocket 流式传输，录音过程中实时显示识别文字
- 延迟极低，体验接近微信语音输入
- 需要申请 阿里云 DashScope API Key
- 检查是否有其他应用占用了相同的快捷键
- 尝试在设置中更改为其他快捷键（如
F7、Ctrl+Space） - 以管理员身份运行程序
- 确保在录音开始时目标窗口是活动窗口
- 如果切换了窗口，结果会被暂存到气泡中，切回原窗口后点击气泡即可注入
- 尝试增加
audio.gain_boost值（默认 1.5，可调至 3.0 或更高） - 检查麦克风设置，确保输入设备正确
- 尝试更换 STT 后端（在线 API 通常比本地模型更准确）
- 尝试调整
llm.temperature（越低越保守，越高越 creative） - 检查 LLM API 配置是否正确
- 尝试使用不同的人格面具
- 绿色：正常运行
- 黄色：API 配置缺失或不完整
- 红色：API 调用失败或网络错误
是的，UnType 是完全开源免费的。但你需要自行提供 STT 和 LLM API 密钥（相关费用由 API 提供商收取）。
目前仅支持 Windows。macOS 支持计划在未来版本中添加。
- 需要支持 CUDA 的 NVIDIA 显卡
- 推荐显存 4GB 以上
- 需要安装 CUDA Toolkit
- 右键托盘图标 → 人格管理
- 点击 + 新建 按钮创建新人格
- 填写名称、图标、提示词等字段
- 勾选 激活 选项使其在录音时显示
- 或者直接在
personas/目录中创建.json文件
可以。在录音过程中按数字键 1-9 即可预选人格，录音结束后会直接使用预选的人格进行润色。只有已激活的人格才会显示在录音时的人格栏中。
按一下快捷键 → 说话 → 再按一下结束
↓
（录音期间：人格栏可见，
按 1-9 预选人格）
↓
[ STT：语音 → 原始文本 ]
↓
┌─── 已配置人格？ ───┐
│ 是 │ 否
↓ ↓
[ LLM：使用人格 ] [ 暂存区：编辑 ]
↓ ↓
文本出现在光标处 ✓ [ LLM → 光标 ✓ ]
↓
（后悔药菜单出现）
两种模式，自动检测：
| 模式 | 触发条件 | 效果 |
|---|---|---|
| 插入 | 未选中文本 | 语音 → STT → LLM 润色 → 插入光标处 |
| 润色 | 已选中文本 | 语音作为指令 → LLM 修改选中的文本 |
uv run ruff check src/ # 代码检查
uv run ruff format src/ # 代码格式化
uv run pytest # 运行测试本项目采用 GNU 通用公共许可证 v3.0 授权。
- 新增最近结果面板：可从托盘打开最近语音结果，支持快速复制、再次注入或重新打开编辑
- 简化录音时的人格选择：支持 Quick Persona，让录音条优先显示少量高频人格
- 修复关键偏好恢复：启动时会正确恢复语言和上次选中的人格
- 改进标点与小键盘热键录制：避免误记
Alt，并兼容小键盘减号等别名 - 文本输出改为逐字输入：结果不再依赖剪贴板粘贴，而是逐字快速输入到目标应用
- 强化运行时交付链路：改进 realtime STT 启动失败、结果交付回退、ghost 动作和配置保存防抖
- 扩大回归测试覆盖：补充 build、config、hotkey、i18n、llm、clipboard、overlay 和主流程 helper 的测试
- 新增版本分拆：提供完整版（~275MB）和在线版（~90MB）两种下载选项
- 完整版包含本地 Whisper 模型支持
- 在线版体积减小 67%，适合仅需 API 服务的用户
- 新增首次运行向导：新用户首次启动时自动弹出配置向导，引导完成 STT 和 LLM 配置
- 新增人格激活功能：可在向导中选择要激活的人格，也可在人格管理中启用/禁用
- 新增九宫格人格选择：向导中的人格选择页面采用 3×3 网格卡片布局，支持点击切换
- 新增设置中重新运行向导：设置对话框新增"重新运行向导"按钮，可随时重新配置
- 新增 LLM 连接验证：向导和设置中可测试 LLM API 连接是否正常
- 改进配置体验：向导支持实时预览配置、验证 API 连接、流式识别 API 改名
- 优化界面语言：更新中英文翻译，新增人格激活相关文本
- 优化向导界面：深色主题、庄子名言引用、卡片描述优化
- 新增"默认"人格面具（常规润色风格）
- 新增"诗意"人格面具（华丽修辞文风）
- 新增人格记忆功能，自动记住上次选择的人格
- 新增录音时长显示（胶囊上显示如 "1:23"）
- 新增录音超时保护（5 分钟自动停止，防止过度消耗）
- 新增日志记录功能（设置中可打开日志文件夹）
- 默认 STT 后端改为阿里云实时 API
- 默认音频增益调整为 1.5
- "打开日志"功能移至设置对话框
- 新增阿里云实时语音识别后端，录音过程中实时显示识别文字
- 新增胶囊位置固定模式（可拖动，位置会被记住）
- 新增设置界面字段动态显示（根据后端选择显示/隐藏相关配置）
- 修复快捷键切换时的竞态条件问题
- 修复快捷键黑名单（防止与系统快捷键冲突）
- 修复后悔菜单位置跟随胶囊配置